https://jfsa.fuzzy.ir/ سیستم های فازی و کاربردها fa daily 1 Mon, 22 Jun 2026 00:00:00 +0330 Mon, 22 Jun 2026 00:00:00 +0330 https://jfsa.fuzzy.ir/article_242394.html کنترل سیستم‌های غیرخطی مرتبه کسری با رفتار آشوبناک به دلیل حساسیت بالا و دینامیک پیچیده، از چالش‌های مهم در کنترل مدرن محسوب می‌شود. در این پژوهش، یک روش کنترلی با نام کنترل ترکیبی فازی با هزینه تضمین‌شده برای پایدارسازی این سیستم‌ها ارائه شده است. طراحی کنترلر بر اساس نظریه لیاپانوف مرتبه کسری و شرایط نابرابری ماتریسی خطی صورت گرفته است که امکان مدیریت دینامیک پیچیده و مقاوم در برابر عدم قطعیت و محدودیت‌های ورودی را فراهم می‌کند. نتایج شبیه‌سازی‌ها نشان می‌دهند که روش پیشنهادی همگرایی سیستم را تضمین می‌کند، پایداری حلقه بسته را حفظ می‌نماید و توانایی تنظیم تطبیقی پارامترهای کنترلر از طریق یادگیری تقویتی ‎Soft-Aⅽtor−Ⅽritiⅽ‎ ،‎(SAC)‎ عملکرد بهینه و مقاومت در برابر نوسانات و آشوب سیستم را فراهم می‌آورد. این مطالعه کنترل ترکیبی فازی با تضمین هزینه را با چارچوب یادگیری تقویتی ‎SAC‎ ترکیب می‌کند تا یک روش پایدار، مقاوم و مستقل از دینامیک خاص سیستم ارائه دهد. این رویکرد، یک سیاست کنترلی بهینه استخراج می‌کند که همگرایی در زمان محدود و دسترسی به نقطه تعادل را تضمین می‌نماید که یک پیشرفت قابل توجه نسبت به روش‌های سنتی کنترل فازی و مرتبه کسری محسوب می‌شود. https://jfsa.fuzzy.ir/article_247874.html نمودارهای کنترل از ابزارهای کلیدی در پایش و بهبود فرایندهای آماری محسوب می شوند. در سال های اخیر، رویکرد کیفیت فازی مثلثی به عنوان جایگزینی برای تعاریف متداول کیفیت در طراحی این نمودارها مطرح شده است. در این مقاله، رویکردی نوین برای مبتنی بر کیفیت فازی مثلثی ارائه می شود که نوآوری اصلی $\bar{X}$ و $R$ طراحی نمودارهای کنترل آن در تلفیق روش های گشتاوری و برآورد بیشینه درستنمایی برای برازش توزیع چوله‑نرمال بر درجات تعلق فازی است. علاوه بر این، دو نمودار کنترل جدید برای نظارت همزمان بر میانگین و پراکندگی درجات تعلق، مبتنی بر توزیع چوله‑نرمال، معرفی می گردند. مزیت روش پیشنهادی، افزایش انعطاف پذیری و دقت در شناسایی ناپایداری های فرایند در مقایسه با روش های کلاسیک است. عملکرد این رویکرد در یک مطالعه موردی واقعی در صنعت خودروسازی (رینگ‌پیستون موتور) و نیز از طریق شبیه سازی مورد ارزیابی قرار گرفته است. نتایج مقایسه ای نشان می دهد که نمودارهای کنترل پیشنهادی از کارایی بالاتر و قابلیت انطباق بهتری در محیط های دارای ابهام برخوردارند. https://jfsa.fuzzy.ir/article_247955.html . آشکارسازی ساختارهای همپوشان در شبکه‌های پیچیده، به دلیل ماهیت مبهم مرزهای جوامع و حضور گره‌هایی با تعلقات چندگانه، چالش‌های قابل‌توجهی را در حوزه داده‌کاوی گراف ایجاد کرده است. اگرچه الگوریتم‌های خوشه‌بندی فازی (FCM) ابزاری کارآمد برای مدل‌سازی این عدم قطعیت فراهم می‌کنند، اما وابستگی آن‌ها به قیود احتمالی و حساسیت نسبت به مقادیر اولیه، کارایی آن‌ها را در مواجهه با نویزهای ساختاری محدود می‌سازد. در این پژوهش، با هدف غلبه بر این محدودیت‌ها و بهره‌گیری هم‌زمان از ویژگی‌های توپولوژیک شبکه و منطق فازی، الگوریتم CW-PFCM (خوشه‌بندی C-میانگین فازی - امکانی وزن‌دار مبتنی بر مرکزیت) پیشنهاد شده است. در این رویکرد، از معیارهای مرکزیت شبکه برای هدایت فرآیند مقداردهی اولیه و تعدیل ماتریس‌های عضویت در الگوریتم PFCM استفاده می‌شود. ادغام رویکرد امکانی با منطق فازی، به مدل اجازه می‌دهد تا تمایز دقیق‌تری میان همپوشانی معنادار و گره‌های دورافتاده قائل شود. ارزیابی‌های تجربی بر روی چندین مجموعه داده استاندارد و مقایسه با روش‌های نوین، نشان می‌دهد که روش پیشنهادی ضمن حفظ پایداری در برابر نویز، از حیث معیارهای اعتبارسنجی نظیر اطلاعات متقابل نرمال‌شده (NMI) و مادولاریتی، عملکردی قابل قبول و رقابتی ارائه می‌دهد. یافته‌ها حاکی از آن است که لحاظ کردن اهمیت ساختاری گره‌ها در فرآیند یادگیری فازی، منجر به شناسایی دقیق‌تر جوامع واقعی می‌گردد. https://jfsa.fuzzy.ir/article_248066.html خوشه‌بندی سلسله‌مراتبی یکی از روش‌های یادگیری بدون نظارت در داده‌کاوی است که با ارزیابی شباهت میان داده‌ها، آن‌ها را در قالب یک ساختار سلسله‌مراتبی گروه‌بندی کرده و خوشه‌هایی با بالاترین میزان شباهت درون‌خوشه‌ای ایجاد می‌کند. روش‌های موجود در این حوزه، برای داده‌های مستخرج از جوامع دقیق طراحی شده‌اند. با این حال، در بسیاری از کاربردهای واقعی، جوامع مورد مطالعه ماهیتی نادقیق یا فازی دارند؛ مواردی از این قبیل جوامع را می$\-$توان به دانشجویان بااستعداد، محصولات کشاورزی سالم، دوره‌های آموزشی مفید و شغل‌های پردرآمد اشاره کرد. در چنین جوامعی، هر مشاهده علاوه بر مقدار عددی خود، دارای درجه‌ای از عضویت در جامعهٔ فازی نیز است. در این مقاله، روش خوشه‌بندی سلسله‌مراتبی به الگوریتم خوشه‌بندی داده‌های حاصل از جوامع فازی تعمیم داده شده است. همچنین با تعمیم دو شاخص سیلوئیت و دان از حالت کلاسیک به جامعۀ فازی، تعداد خوشه$\-$های بهینه بر اساس معیارهای تشابه میان خوشه‌ها تعیین شده است و کیفیت خوشه‌بندی در استفاده کاربردی روش پیشنهادی در داده$\-$های رباتیک مدرن تشریح می$\-$شود.